4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1
|
|
- Elke Keller
- vor 6 Jahren
- Abrufe
Transkript
1 Allgemeines. Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition.. (a) Ein Graph G =(V, E) heißt kreisfrei, wenn er keinen Kreis besitzt. Beispiel: Ein kreisfreier Graph: FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
2 Allgemeines Definition.. (Fortsetzung) (b) Ein Graph G heißt ein freier Baum (oder nur Baum), wenn er zusammenhängend und kreisfrei ist. Beispiel: Ein (freier) Baum: 0 Knoten, 9 Kanten. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
3 Allgemeines Anmerkung: Die Zusammenhangskomponenten eines kreisfreien Graphen sind freie Bäume. Kreisfreie Graphen heißen daher auch (freie) Wälder. Lemma.. Sei G =(V, E) ein Graph mit n = V und m = E. Dann gilt: (a) Wenn G kreisfrei ist, gilt m n. (b) Wenn G zusammenhängend ist, gilt m n. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
4 Allgemeines Fundamental-Lemma.. über freie Bäume Wenn G =(V, E) ein Graph ist, mit Knotenzahl n = V und Kantenzahl m = E, dann sind folgende Aussagen äquivalent: (a) G ist ein Baum. (b) G ist kreisfrei und m n. (c) G ist zusammenhängend und m n. (d) Zu jedem Paar u, v von Knoten gibt es genau einen einfachen Weg von u nach v. (e) G ist kreisfrei, aber das Hinzufügen einer beliebigen weiteren Kante erzeugt einen Kreis (G ist maximal kreisfrei ). (f) G ist zusammenhängend, aber das Entfernen einer beliebigen Kante erzeugt einen nicht zusammenhängenden Restgraphen (G ist minimal zusammenhängend ). FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
5 Allgemeines Beweis des Fundamentallemmas: Für Interessierte in einer eigenen Notiz nachzulesen (siehe Webseite). Wir benutzen das Fundamental-Lemma über freie Bäume in der folgenden Weise: () Wenn G ein Baum ist, erfüllt G alle genannten Eigenschaften (a) (f). () Wenn wir eine der Eigenschaften nachweisen, hat sich G als Baum erwiesen. Aussagen, die aus dem Fundamental-Lemma über Bäume folgen: G sei Baum mit n Knoten. Dann gilt: () G hat n Kanten. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
6 Allgemeines () Wenn man zu G eine Kante (u, w) hinzufügt, entsteht genau ein Kreis (aus (u, w) und dem eindeutigen Weg von u nach w in G). u w FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 6
7 Allgemeines () Wenn man aus G eine Kante (u, w) streicht, zerfällt der Graph in Komponenten U = {v V v von u aus über Kanten aus E {(u, w)} erreichbar}; W = {v V v von w aus über Kanten aus E {(u, w)} erreichbar}. U W u w FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
8 Allgemeines Definition.. Es sei G =(V, E) ein zusammenhängender Graph. Eine Menge T E von Kanten heißt ein Spannbaum für G, wenn (V, T ) ein Baum ist. Beispiel: FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 8
9 Allgemeines Klar: Jeder zusammenhängende Graph hat einen Spannbaum. (Iterativer Prozess: Starte mit E. Solange es Kanten gibt, die auf einem Kreis liegen, entferne eine solche Kreiskante. Der Zusammenhang bleibt stets erhalten; schließlich muss der Rest-Graph kreisfrei sein.) FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 9
10 Allgemeines Definition.. Es sei G =(V, E, c) ein gewichteter Graph, d.h. c : E R ist eine Gewichtsfunktion oder Kostenfunktion. Kantenkosten modellieren: Herstellungskosten Leitungsmiete... FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 0
11 Allgemeines (a) Jeder Kantenmenge E E wird durch ein Gesamtgewicht zugeordnet. c(e ) := e E c(e) Gesamtgewicht: = 0. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
12 Allgemeines (b) Sei G zusammenhängend. Ein Spannbaum T E für G heißt ein minimaler Spannbaum, wenn c(t ) = min{c(t ) T Spannbaum von G}, d.h. wenn er minimale Kosten unter allen Spannbäumen hat. Abkürzung: MST ( minimum spanning tree ). Zwei minimale Spannbäume, jeweils mit Gesamtgewicht 8. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
13 Allgemeines Klar: Jeder Graph besitzt einen MST. (Es gibt nur endlich viele Spannbäume.) Achtung: Es kann mehrere verschiedene MSTs geben (die alle dasselbe Gesamtgewicht haben). Aufgabe: Zu gegebenem G =(V, E, c) finde einen MST T. Hier: Algorithmus von Jarník/Prim Algorithmenparadigma: greedy ( gierig ). Baue Lösung Schritt für Schritt auf. (Hier: wähle eine Kante für T nach der anderen.) Treffe in jedem Schritt die (lokal) günstigste Entscheidung Algorithmus von Jarník/Prim: Ähnlichkeit zum Dijkstra-Algorithmus. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
14 Jarník/Prim Algorithmus von Jarník/Prim: S: Menge von Knoten. Enthält die bisher erreichten Knoten. R: Menge von Kanten. Enthält die bisher gewählten Kanten. () Wähle einen beliebigen (Start-)Knoten s V. S {s}; R ; () Wiederhole (n )-mal: Finde w S und u V S, so dass c(w, u) minimal unter allen Werten c(w, u ), w S, u V S, ist. S S {u}; R R {(w, u)}; () Ausgabe: R. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
15 Jarník/Prim Beispiel (Jarník/Prim): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
16 Jarník/Prim Beispiel (Jarník/Prim): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
17 Jarník/Prim Beispiel (Jarník/Prim): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
18 Jarník/Prim Beispiel (Jarník/Prim): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
19 Jarník/Prim Beispiel (Jarník/Prim): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
20 Jarník/Prim Beispiel (Jarník/Prim): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
21 Jarník/Prim Beispiel (Jarník/Prim): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
22 Jarník/Prim Beispiel (Jarník/Prim): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
23 Jarník/Prim Beispiel (Jarník/Prim): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
24 Jarník/Prim Beispiel (Jarník/Prim): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
25 Jarník/Prim Beispiel (Jarník/Prim): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0
26 Schnitteigenschaft Die Schnitteigenschaft Für den Korrektheitsbeweis des Algorithmus von Jarník/Prim: Cut property Schnitteigenschaft Eine Partition (S, V S) mit S V heißt ein Schnitt. V S S FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 6
27 Schnitteigenschaft Definition..6 Die Schnitteigenschaft Eine Menge R E heißt erweiterbar (zu einem MST), wenn es einen MST T mit R T gibt. R ist erweiterbar, denn es gibt einen MST T R. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
28 Schnitteigenschaft Die Schnitteigenschaft Behauptung (Schnitteigenschaft): Wenn R E erweiterbar ist und (S, V S) ein Schnitt, so dass keine Kante aus R von S nach V S verläuft, und wenn e =(v, w), v S, w V S eine Kante ist, die den Wert c((u, x)), u S, x V S, minimiert, dann ist auch R {e} erweiterbar. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 8
29 Schnitteigenschaft Die Schnitteigenschaft Beweis der Schnitteigenschaft: Sei R E, sei T R ein MST; sei (S, V S) ein Schnitt, so dass keine Kante aus R von S nach V S verläuft; sei e S (V S) mit minimalem c(e).. Fall: e T. Dann gilt R {e} T, also ist R {e} erweiterbar, fertig. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 9
30 Schnitteigenschaft. Fall: e / T. Die Schnitteigenschaft R: Rest: S V S Eine erweiterbare Menge R. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 60
31 Schnitteigenschaft. Fall: e / T. Die Schnitteigenschaft R: Rest: T R: S V S MST T mit R T. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 6
32 Schnitteigenschaft. Fall: e / T. Die Schnitteigenschaft R: Rest: T R: v e w S V S e =(v, w) minimiert c((u, x)), u S, x V S. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 6
33 Schnitteigenschaft. Fall: e / T. Die Schnitteigenschaft R: Rest: T R: v e w e S V S Weg in T von v nach w wechselt von S nach V S bei Kante e. Es entsteht ein Kreis in T {e}, auf dem e und e liegen. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 6
34 Schnitteigenschaft. Fall: e / T. Die Schnitteigenschaft R: Rest: T R: v e w S V S Entferne e,füge e hinzu: T e := (T {e }) {e}. Neuer Spannbaum T e R {e}. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 6
35 Schnitteigenschaft. Fall: e / T. Die Schnitteigenschaft R: Rest: T R: v e w S V S Weil c(e) c(e ) (Minimalität von c(e) über den Schnitt (S, V S)): c(t e ) c(t ), also ist T e wieder ein MST. Also: R {e} ist erweiterbar. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 6
36 Korrektheit von Jarník/Prim Korrektheit des Algorithmus von Jarník/Prim: R i : Kantenmenge (Größe i), die nach Runde i in R steht. S i : Knotenmenge (Größe i + ), die nach Runde i in S steht. Weil in jeder Runde ein Knoten und eine Kante hinzukommt, und man an die schon vorhandene Knotenmenge anschließt, ist jedes R i kreisfrei und zusammenhängend, also ein Baum. Die Kanten von R i verbinden genau die Knoten von S i. Zu zeigen: R n ist ein MST für G. Weil R n kreisfrei ist und n Kanten hat, ist R n Spannbaum. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 66
37 Korrektheit von Jarník/Prim Induktionsbehauptung IB(i): R i ist erweiterbar. (Dies beweisen wir durch Induktion über i =0,,..., n.) Dann besagt IB(n ), dass T R n ist für einen MST T. Weil alle Spannbäume n Kanten haben und R n auch n Kanten hat, ist T = R n, also ist die Ausgabe R n ein MST. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 67
38 Korrektheit von Jarník/Prim I.A.: i = 0. R 0 =, und es gibt einen MST T für G. I.V.: i n und R i ist erweiterbar. I.S.: (S i, V S i ) ist ein Schnitt, und keine Kante von R i überquert diesen Schnitt. Der Algorithmus von Jarník/Prim wählt unter allen Kanten, die den Schnitt überqueren, eine billigste Kante e, und bildet R i := R i {e}. Mit der Schnitteigenschaft folgt: R i ist erweiterbar. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 68
39 Jarník/Prim: Implementierungsdetails Implementierungsdetails im Algorithmus von Jarník/Prim: Wir nehmen an, dass G =(V, E, c) mit V = {,..., n} in Adjazenzlistendarstellung gegeben ist. Die Kantengewichte c(e) stehen in den Adjazenzlisten bei den Kanten. Für jeden Knoten v V S wollen wir immer wissen: ) die Länge d(v) der billigsten Kante (u, v), u S, falls eine existiert: in dist[v] ( Abstand von S ) ) den (einen) (Vorgänger-)Knoten p(v) =u S mit c(u, v) =d(v), falls ein solcher existiert. Falls es von S keine Kante nach v gibt, setzen wir d(v) = und p(v) =. Verwalte die Knoten v V S mit Werten d(v) < mit den d(v)-werten als Schlüssel in einer Priority-Queue PQ. Wenn d(v) =, ist v (noch) nicht in der PQ. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 69
40 Jarník/Prim: Implementierungsdetails Jarnik/Prim-mit-Priority-Queue(G, s) Eingabe: gewichteter Graph G =(V, E, c), V = {,..., n}, Startknoten s; Ausgabe: Ein MST für G. Hilfsstrukturen: PQ: eine (leere) Priority-Queue; ins, p, id: wie oben () for v from to n do ins[v] false; p[v] ; () ins[s] true; p[s] ; () for Knoten v mit (s, v) E do () dist[v] c(s, v); p[v] s; id[v] PQ.insert(dist[v],v); () while not PQ.isempty do (6) (id, d, u) PQ.extractMin; ( Identität, Distanz, Knotenname ) (7) ins[u] true; (8) for Knoten v mit (u, v) E and not ins[v] do (9) dd c(u, v); ( einziger Unterschied zu Dijkstra! ) (0) if p[v] 0 and dd < dist[u] then () PQ.decreaseKey(id[v],dd); p[v] u; () if p[v] = ( v vorher nicht erreicht ) then () dist[v] dd; p[v] u; id[v] PQ.insert(dd,v); () Ausgabe: Kantenmenge T = {(v, p[v]) v S {s}}. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 70
41 Jarník/Prim: Implementierungsdetails Zeitanalyse: Exakt wie für den Dijkstra-Algorithmus. Satz..7 Der Algorithmus von Jarník/Prim mit Verwendung einer Priority-Queue, die als Binärheap realisiert ist, ermittelt einen minimalen Spannbaum für G =(V, E, c) in Zeit O((n + m) log n). Wie beim Algorithmus von Dijkstra: Wenn man Fibonacci-Heaps o.ä. verwendet, bei denen m decreasekey-operationen Zeit O(m) benötigen: Laufzeit für Jarník/Prim: O(m + n log n). FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
42 . Der Auch dieser Algorithmus löst das MST-Problem. Anderer Ansatz als bei Jarník/Prim: Probiere Kanten in aufsteigender Reihenfolge des Kantengewichts, und wähle eine Kante für den zu bauenden MST, wenn sie die Kreisfreiheitseigenschaft nicht verletzt. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
43 . Schritt: Sortiere die Kanten e,..., e m nach den Gewichten c(e ),..., c(e m ) aufsteigend. Also O.B.d.A.: c(e )... c(e m ).. Schritt: Setze R.. Schritt: Für i =,,..., m tue folgendes: Falls R {e i } kreisfrei ist, setze R R {e i } ( sonst, d.h. wenn e i einen Kreis schließt, bleibt R unverändert ) ( Optional: Beende Schleife, wenn R = n. ). Schritt: Die Ausgabe ist R. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
44 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
45 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
46 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
47 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
48 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
49 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
50 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
51 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
52 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
53 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
54 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
55 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
56 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
57 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
58 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
59 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
60 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
61 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
62 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
63 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
64 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
65 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
66 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
67 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
68 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
69 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
70 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
71 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
72 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
73 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
74 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
75 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
76 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
77 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
78 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
79 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
80 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
81 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
82 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
83 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
84 Beispiel (Kruskal): FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
85 Uns interessieren: ) Korrektheit; ) Laufzeit (später) Korrektheit des : R i : Kantenmenge, die nach Runde i in R steht. Weil dies im. Schritt getestet wird, ist sichergestellt, dass jedes R i kreisfrei, also ein Wald ist. Zu zeigen: R m ist ein MST für G. Erinnerung: R E heißt erweiterbar, wenn R T für einen MST T. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 7
86 Induktionsbehauptung IB(i): R i ist erweiterbar. (Beweis gleich, durch Induktion über i =0,,..., m.) Dann besagt IB(m), dass R m T ist für einen MST T. Beh.: Es gilt auch T R m. (Also gilt Gleichheit, und R m ist ein MST.) (Beweis der Beh.: Sei e T. Dann ist e = e i für ein i, und e i wurde in Runde i getestet. Weil R i R m T und e i T, ist R i {e i } T, also ist R i {e i } kreisfrei, also fügt der Algorithmus die Kante e i in Runde i zu R hinzu, also gilt e i R m.) FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 76
87 Induktionsbehauptung IB(i): R i ist erweiterbar. I.A.: R 0 = ist erweiterbar. I.V.: i < m und R i ist erweiterbar. I.S.: Nun wird Runde i mit Kante e i ausgeführt.. Fall: R i {e i } enthält einen Kreis. Dann ist R i = R i, also R i erweiterbar.. Fall: R i {e i } ist kreisfrei. Sei e i =(v, w). Definiere S := {u V im Wald (V, R i ) ist u von v aus erreichbar}. (S ist die Zusammenhangskomponente von v in (V, R i ).) Weil R i {e i } kreisfrei ist, folgt w V S. Klar: Keine R i -Kante verbindet S und V S. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 77
88 Behauptung: c(e i ) ist minimal unter allen c(e ) mit e =(v, w ), v S, w V S. Beweis indirekt: Annahme: Es gibt e =(v, w ) mit v S, w V S und c(e ) < c(e i ). e = e j mit j < i (weil Kanten nach Kosten aufsteigend sortiert sind) e = e j wurde in Runde j < i untersucht. Weil e zwischen zwei Zusammenhangskomponenten von (V, R i ) verläuft, ist R i {e } kreisfrei. R j R i = R j {e } ist kreisfrei. Algo = e R j R i, Widerspruch. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 78
89 Gesehen: c(e i ) ist minimal unter allen c((v, w)), v S, w V S. Nach der Schnitteigenschaft folgt: R i = R i {e i } ist erweiterbar, und das ist die Induktionsbehauptung. Ende des Korrektheitsbeweises für den. FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 79
3. Minimale Spannbäume. Definition 99 T heißt minimaler Spannbaum (MSB, MST) von G, falls T Spannbaum von G ist und gilt:
3. Minimale Spannbäume Sei G = (V, E) ein einfacher ungerichteter Graph, der o.b.d.a. zusammenhängend ist. Sei weiter w : E R eine Gewichtsfunktion auf den Kanten von G. Wir setzen E E: w(e ) = e E w(e),
Mehr9 Minimum Spanning Trees
Im Folgenden wollen wir uns genauer mit dem Minimum Spanning Tree -Problem auseinandersetzen. 9.1 MST-Problem Gegeben ein ungerichteter Graph G = (V,E) und eine Gewichtsfunktion w w : E R Man berechne
MehrGrundlagen: Algorithmen und Datenstrukturen
Grundlagen: Algorithmen und Datenstrukturen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 00
Mehr3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel
3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume
Effiziente Algorithmen und Datenstrukturen I Kapitel 9: Minimale Spannbäume Christian Scheideler WS 008 19.0.009 Kapitel 9 1 Minimaler Spannbaum Zentrale Frage: Welche Kanten muss ich nehmen, um mit minimalen
MehrBerechnung minimaler Spannbäume. Beispiel
Minimale Spannbäume Definition Sei G pv, Eq ein ungerichteter Graph und sei w : E Ñ R eine Funktion, die jeder Kante ein Gewicht zuordnet. Ein Teilgraph T pv 1, E 1 q von G heißt Spannbaum von G genau
MehrAufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.
Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.
Mehr\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.
Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )
MehrFreie Bäume und Wälder
(Martin Dietzfelbinger, Stand 4.6.2011) Freie Bäume und Wälder In dieser Notiz geht es um eine besondere Sorte von (ungerichteten) Graphen, nämlich Bäume. Im Gegensatz zu gerichteten Bäumen nennt man diese
MehrAlgo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7
1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten
MehrKap. 6.5: Minimale Spannbäume
Kap. 6.5: Minimale Spannbäume Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 19./20. VO DAP2 SS 2009 30.6./2.7.2009 1 Anmeldung zur Klausur 31.07.2009 um 10:15
MehrWie wird ein Graph dargestellt?
Wie wird ein Graph dargestellt? Für einen Graphen G = (V, E), ob gerichtet oder ungerichtet, verwende eine Adjazenzliste A G : A G [i] zeigt auf eine Liste aller Nachbarn von Knoten i, wenn G ungerichtet
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
MehrAlgorithmen I - Tutorium 28 Nr. 11
Algorithmen I - Tutorium 28 Nr. 11 13.07.2017: Spaß mit Schnitten, Kreisen und minimalen Spannbäumen Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR.
MehrKap. 6.6: Kürzeste Wege
Kap. 6.6: Kürzeste Wege Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 1./. VO DAP SS 009./9. Juli 009 1 Nachtest für Ausnahmefälle Di 1. Juli 009, 16:00 Uhr,
MehrDefinition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind.
3.5 Gerichteter Pfad Definition 291 Eine Folge (u 0, u 1,..., u n ) mit u i V für i = 0,..., n heißt gerichteter Pfad, wenn ( i {0,..., n 1} ) [ (u i, u i+1 ) A]. Ein gerichteter Pfad heißt einfach, falls
MehrOrganisatorisches. Programmierpraktikum Das Canadian Traveller Problem. Organisatorisches. Organisatorisches
Organisatorisches Programmierpraktikum Das Canadian Traveller Problem Rainer Schrader Birgit Engels Anna Schulze Zentrum für Angewandte Informatik Köln. April 006 Prof. Dr. Rainer Schrader Tel.: 470-600
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
Mehr5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)
5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!
MehrÜbungsblatt 2 - Lösung
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 2 - Lösung Vorlesung Algorithmentechnik im WS 08/09 Ausgabe 04. November 2008 Abgabe 8. November, 5:0 Uhr (im Kasten vor Zimmer
MehrAlgorithmen und Datenstrukturen 2-1. Seminar -
Algorithmen und Datenstrukturen 2-1. Seminar - Dominic Rose Bioinformatics Group, University of Leipzig Sommersemster 2010 Outline 1. Übungsserie: 3 Aufgaben, insgesamt 30 28 Punkte A1 Spannbäume (10 8
Mehr5. Bäume und Minimalgerüste
5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein
MehrMinimale Spannbäume. Übersicht. 1 Spannbäume. 2 Minimale Spannbäume. 3 Greedy Algorithmen. 4 Die Algorithmen von Kruskal und Prim
Datenstrukturen und Algorithmen Vorlesung 16: (K23) Joost-Pieter Katoen Lehrstuhl für Informatik 2 Software Modeling and Verification Group http://moves.rwth-aachen.de/teaching/ss-1/dsal/ 12. Juni 201
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
MehrS=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J
Greedy-Strategie Definition Paradigma Greedy Der Greedy-Ansatz verwendet die Strategie 1 Top-down Auswahl: Bestimme in jedem Schritt eine lokal optimale Lösung, so dass man eine global optimale Lösung
MehrMinimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
Mehr3. Musterlösung. Problem 1: Boruvka MST
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner. Musterlösung Problem : Boruvka MST pt (a) Beweis durch Widerspruch. Sei T MST von G, e die lokal minimale Kante eines
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
Mehr1 Kürzeste Pfade in Graphen
Praktikum Algorithmen-Entwurf (Teil 3) 03.11.2011 1 1 Kürzeste Pfade in Graphen Es sei ein gerichteter Graph G = (V, E) mit V = n Knoten, E = m Kanten und Kantengewichten c : E R gegeben. Ein Pfad in G
MehrGraphen: Datenstrukturen und Algorithmen
Graphen: Datenstrukturen und Algorithmen Ein Graph G = (V, E) wird durch die Knotenmenge V und die Kantenmenge E repräsentiert. G ist ungerichtet, wenn wir keinen Start- und Zielpunkt der Kanten auszeichnen.
MehrDatenstrukturen und Algorithmen SS07
Datenstrukturen und Algorithmen SS0 Datum:.6.200 Michael Belfrage mbe@student.ethz.ch belfrage.net/eth Programm von Heute Minimaler Spannbaum (MST) Challenge der Woche Fibonacci Heap Minimaler Spannbaum
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
Mehr3 Klassifikation wichtiger Optimierungsprobleme
3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i
MehrMinimal spannender Baum
Minimal spannender Baum 16 1 2 21 5 11 19 6 6 3 14 33 10 5 4 18 Die Kreise zeigen die vorgesehenen Standorte neu zu errichtender Filialen einer Bank. Entlang der bestehenden Straßen sollen Telefonleitungen
MehrNachbarschaft, Grad, regulär, Inzidenz
Nachbarschaft, Grad, regulär, Inzidenz Definition Eigenschaften von Graphen Sei G = (V, E) ein ungerichteter Graph. 1 Die Nachbarschaftschaft Γ(u) eines Knoten u V ist Γ(u) := {v V {u, v} E}. 2 Der Grad
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
MehrProseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Dipl-Math. Wolfgang Kinzner 3.4.2012 Kapitel 3: Minimal aufspannende Bäume und Matroide Minimal aufspannende
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
MehrGraphalgorithmen 2. Dominik Paulus Dominik Paulus Graphalgorithmen / 47
Graphalgorithmen Dominik Paulus.0.01 Dominik Paulus Graphalgorithmen.0.01 1 / 7 1 Spannbäume Kruskal Prim Edmonds/Chu-Liu Datenstrukturen Fibonacci-Heap Union/Find Kürzeste Pfade Dijkstra Bellman-Ford
MehrKürzeste Wege Algorithmen und Datenstrukturen
Kürzeste Wege Algorithmen und Datenstrukturen Institut für Informatik Universität zu Köln SS 2009 Teile 1 und 2 Inhaltsverzeichnis 1 Kürzeste Wege 2 1.1 Voraussetzungen................................
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen 6. Juni 2017 Guido Brückner INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrGraphdurchmusterung, Breiten- und Tiefensuche
Prof. Thomas Richter 18. Mai 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 18.05.2017 Graphdurchmusterung,
MehrBreitensuche BFS (Breadth First Search)
Breitensuche BFS (Breadth First Search) Algorithmus BREITENSUCHE EINGABE: G = (V, E) als Adjazenzliste, Startknoten s V 1 Für alle v V 1 If (v = s) then d[v] 0 else d[v] ; 2 pred[v] nil; 2 Q new Queue;
MehrGraphalgorithmen Netzwerkalgorithmen. Laufzeit
Netzwerkalgorithmen Laufzeit (Folie 390, Seite 78 im Skript) Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{
MehrBemerkung: Der vollständige Graph K n hat n(n 1)
Bemerkung: Der vollständige Graph K n hat n(n 1) 2 Kanten. Bew: Abzählen! Definition 111. Graphen mit n paarweise zyklisch verbundenen Kanten heißen Kreise (vom Grad n) und werden mit C n bezeichnet. Beispiel
MehrAlgorithmen und Datenstrukturen SS09. Foliensatz 16. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik
Foliensatz 16 Michael Brinkmeier Technische Universität Ilmenau Institut für Theoretische Informatik Sommersemester 2009 TU Ilmenau Seite 1 / 45 Graphen TU Ilmenau Seite 2 / 45 Graphen 1 2 3 4 5 6 7 8
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Bäume)
WS 2016/17 Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrSS11 Effiziente Algorithmen 5. Kapitel: Dynamische Programmierung
SS11 Effiziente Algorithmen 5. Kapitel: Dynamische Programmierung Martin Dietzfelbinger Juni/Juli 2011 FG KTuEA, TU Ilmenau Effiziente Algorithmen SS11 Kapitel 5 Kapitel 5: Dynamische Programmierung Typische
MehrIsomorphie von Bäumen
Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
Mehr1.Aufgabe: Minimal aufspannender Baum
1.Aufgabe: Minimal aufspannender Baum 11+4+8 Punkte v 1 v 2 1 3 4 9 v 3 v 4 v 5 v 7 7 4 3 5 8 1 4 v 7 v 8 v 9 3 2 7 v 10 Abbildung 1: Der Graph G mit Kantengewichten (a) Bestimme mit Hilfe des Algorithmus
MehrName:... Vorname:... Matr.-Nr.:... Studiengang:...
Technische Universität Braunschweig Sommersemester 2013 IBR - Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Dr. Christiane Schmidt Stephan Friedrichs Klausur Netzwerkalgorithmen 16.07.2013 Name:.....................................
Mehr10. Übungsblatt zu Algorithmen I im SoSe 2016
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. r. ennis ofheinz Lukas arth, Lisa Kohl 0. Übungsblatt zu lgorithmen I im SoSe 0 https://crypto.iti.kit.edu/index.php?id=algo-sose
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
MehrBäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann
Bäume und Wälder Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Ida Feldmann 2-Fach Bachelor Mathematik und Biologie 6. Fachsemester Inhaltsverzeichnis Einleitung 1 1. Bäume
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 5. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Wdhlg.: Dijkstra-Algorithmus I Bestimmung der
Mehr3. Musterlösung. Problem 1: Heapsort
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 3. Musterlösung Problem : Heapsort ** 2 3 4 5 Algorithmus : Heapsort (A) Eingabe : Array A der Länge n Ausgabe : Aufsteigend
MehrGraphentheorie. Zusammenhang. Zusammenhang. Zusammenhang. Rainer Schrader. 13. November 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 13. November 2007 1 / 84 2 / 84 Gliederung stest und Schnittkanten älder und Bäume minimal aufspannende Bäume Der Satz von Menger 2-zusammenhängende
Mehr10. Übungsblatt zu Algorithmen I im SS 2010
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders G.V. Batz, C. Schulz, J. Speck 0. Übungsblatt zu Algorithmen I im SS 00 http//algo.iti.kit.edu/algorithmeni.php
MehrMafI I: Logik & Diskrete Mathematik (F. Hoffmann)
Lösungen zum 14. und letzten Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (F. Hoffmann) 1. Ungerichtete Graphen (a) Beschreiben Sie einen Algorithmus, der algorithmisch feststellt, ob
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 5 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
MehrMinimal spannende Bäume
Minimal spannende Bäume Ronny Harbich 4. Mai 006 (geändert 19. August 006) Vorwort Ich danke Patrick Bahr und meinem Bruder Steffen Harbich für die Unterstützung bei dieser Arbeit. Sie haben sowohl zu
Mehrp = (v 0, v 1,..., v k )
1 Routenlaner Hamburg 300 km 200 km Berlin 450 km Köln 200 km 400 km Frankfurt 50 km 200 km 150 km Mannheim Saarbrücken 100 km 250 km Stuttgart 200 km Dresden 300 km Nürnberg 200 km München Berechne den
MehrExkurs: Graphtraversierung
Sanders: Informatik III November 28, 2006 1 Exkurs: Graphtraversierung Begriffe Graphrepräsentation Erreichbarkeit mittels Tiefensuche Kreise Suchen Sanders: Informatik III November 28, 2006 2 Gerichtete
Mehrmarkiert, 0: unmarkiert.)
4.2 Fibonacci-Heaps Fibonacci-Heaps (F-Heaps) implementieren adressierbare Priority Queues (siehe Anfang von Kap. 4). Wie bei Binomialheaps besteht der Heap aus heapgeordneten Bäumen, jedoch mit gelockerten
MehrBäume und Wälder. Definition 1
Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt
MehrWie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung
Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Teilnehmer/innen: Markus Dahinten, Graf Münster Gymnasium Bayreuth Robert Fay, Herder Gymnasium Berlin Falko
Mehr10. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Bäume
MehrEffiziente Algorithmen und Datenstrukturen: Kürzeste Wege
Effiziente Algorithmen und Datenstrukturen: Kürzeste Wege Kürzeste Wege Zentrale Frage: Wie komme ich am schnellsten von A nach B? B A Kürzeste Wege Zentrale Frage: Wie komme ich am schnellsten von A nach
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen 13. Übung minimale Spannbäume, topologische Sortierung, AVL-Bäume Clemens Lang Übungen zu AuD 4. Februar 2010 Clemens Lang (Übungen zu AuD) Algorithmen und Datenstrukturen
MehrTutoraufgabe 1 (Suchen in Graphen):
Prof. aa Dr. E. Ábrahám Datenstrukturen und Algorithmen SS14 F. Corzilius, S. Schupp, T. Ströder Tutoraufgabe 1 (Suchen in Graphen): a) Geben Sie die Reihenfolge an, in der die Knoten besucht werden, wenn
Mehr8 Diskrete Optimierung
8 Diskrete Optimierung Definition 8.1. Ein Graph G ist ein Paar (V (G), E(G)) besteh aus einer lichen Menge V (G) von Knoten (oder Ecken) und einer Menge E(G) ( ) V (G) 2 von Kanten. Die Ordnung n(g) von
Mehr11. GRAPHEN 3 FLÜSSE UND SPANNBÄUME
Algorithmen und Datenstrukturen 11. GRAPHEN 3 FLÜSSE UND SPANNBÄUME Algorithmen und Datenstrukturen - Ma5hias Thimm (thimm@uni-koblenz.de) 1 Algorithmen und Datenstrukturen 11.1. BERECHNUNG MAXIMALER FLÜSSE
MehrC++, LEDA und STL Visualisierung minimal/maximal aufspannender Bäume
Fachbereich IV, Informatik Softwarepraktikum C++, LEDA und STL Visualisierung minimal/maximal aufspannender Bäume Wintersemester 2004/2005 Dokumentation Algorithmen zur Lösung von MST - Problemen Nicolas
MehrDiskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008
Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 15 Computergraphik & Visualisierung Prof. Dr. Rüdiger Westermann Dr. Werner Meixner Wintersemester 2007/08 Lösungsblatt 9
Mehr1 Matroide. 1.1 Definitionen und Beispiele. Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler
Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler 1 Matroide 1.1 Definitionen und Beispiele 1. Definition (Unabhängigkeitssystem): Ein Mengensystem
MehrAlgorithmen und Datenstrukturen Tutorium Übungsaufgaben
Algorithmen und Datenstrukturen Tutorium Übungsaufgaben AlgoDat - Übungsaufgaben 1 1 Landau-Notation Aufgabe Lösung 2 Rekurrenzen Aufgabe 3 Algorithmenentwurf und -analyse Aufgabe AlgoDat - Übungsaufgaben
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrKapitel 5: Minimale spannende Bäume Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken
Mehr8. A & D - Heapsort. Werden sehen, wie wir durch geschicktes Organsieren von Daten effiziente Algorithmen entwerfen können.
8. A & D - Heapsort Werden sehen, wie wir durch geschicktes Organsieren von Daten effiziente Algorithmen entwerfen können. Genauer werden wir immer wieder benötigte Operationen durch Datenstrukturen unterstützen.
MehrLösungen zu Kapitel 5
Lösungen zu Kapitel 5 Lösung zu Aufgabe : (a) Es gibt derartige Graphen: (b) Offensichtlich besitzen 0 der Graphen einen solchen Teilgraphen. Lösung zu Aufgabe : Es sei G = (V, E) zusammenhängend und V
MehrErinnerung VL
Erinnerung VL 7.06.016 Bellman-Ford-Algorithmus (Brute-Force-Suche) Varianten des Kürzeste-Wege-Problems (azyklische Graphen) Ausblick: Routenplanung in Straÿennetzwerken Motivation Minimale Spannbäume
Mehrdurch Einfügen von Knoten konstruiert werden kann.
Satz von Kuratowski Definition Unterteilung eines Graphen Sei G = (V, E) und e = {u, v} E. 1 Das Einfügen eines neuen Knoten w in die Kante e führt zum Graphen G = (V {w}, E \ e {{u, w}, {w, v}}). 2 Der
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
MehrDas Steinerbaumproblem
Das Steinerbaumproblem Natalie Richert Fakultät für Elektrotechnik, Informatik und Mathematik, Universität Paderborn 4. Februar 008 / 3 Überblick Problembeschreibung Vorstellung von zwei Approimationsalgorithmen
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
Mehr(a, b)-bäume / 1. Datenmenge ist so groß, dass sie auf der Festplatte abgespeichert werden muss.
(a, b)-bäume / 1. Szenario: Datenmenge ist so groß, dass sie auf der Festplatte abgespeichert werden muss. Konsequenz: Kommunikation zwischen Hauptspeicher und Festplatte - geschieht nicht Byte für Byte,
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrDurchschnitt von Matroiden
Durchschnitt von Matroiden Satz von Edmonds Dany Sattler 18. Januar 2007/ Seminar zur ganzzahligen Optimierung / Wallenfels Definition: Unabhängigkeitssystem Definition: Ein Mengensystem (S, J ) nennt
MehrKAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen Der Tragödie IV. Theyl Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
Mehr